嘿，这个问题我之前踩过好几个坑！K-Means的质心理论上应该是对应簇的样本均值，但视觉上错位通常是这些原因导致的，你可以挨个排查：

• 数据没做标准化/归一化
  K-Means是基于距离计算的算法，如果你的特征之间量纲差得特别大（比如一个特征是0-1的比例，另一个是0-1000的销售额），欧氏距离会被数值大的特征完全主导，训练出的质心会偏向这个特征的方向，视觉上就不在簇的“中心”了。
  解决办法：先对数据做标准化处理，比如用sklearn的工具：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaled_data = scaler.fit_transform(your_data)
# 用标准化后的数据训练K-Means
kmeans = KMeans(n_clusters=3, n_init=10)
kmeans.fit(scaled_data)

• 绘图时混用了原始数据和标准化数据
  如果你训练时用了标准化数据，但绘图时用的是未处理的原始数据，而质心是标准化后的坐标，两者不在同一尺度，自然看起来错位。
  解决办法：要么把质心反转换回原始尺度：

centroids = scaler.inverse_transform(kmeans.cluster_centers_)

要么直接用标准化后的数据来绘制簇和质心。

• K-Means收敛到了局部最优
  K-Means的结果依赖初始质心的选择，哪怕用了k-means++初始化，也可能碰到特殊数据分布导致收敛到局部最优，这时候质心就不是全局最优的簇中心了。
  解决办法：增加n_init参数的数值（比如设为10或20），让算法多次初始化后选惯性最小的结果：

kmeans = KMeans(n_clusters=3, n_init=20, random_state=42)

固定random_state还能保证结果可复现。

• 可视化时降维导致信息丢失
  如果你的数据是高维的，用PCA/t-SNE降维到2D/3D绘图时，可能会因为降维过程丢失了部分信息，导致视觉上质心不在簇中心，但在高维空间里其实是对的。
  解决办法：检查降维后的方差保留率（比如PCA的explained_variance_ratio_），如果保留的方差太低，可以尝试调整降维参数；或者直接对比每个簇的样本均值和质心坐标，确认数值上是否一致——如果数值一致，那就是可视化的问题。

• 代码里的绘图逻辑出错
  比如你提取质心时用错了变量，绘图时把x轴和y轴搞反了，或者簇的颜色和质心的对应关系不匹配。
  解决办法：先打印每个簇的样本均值和K-Means输出的质心，看看数值上是否一致：

import pandas as pd
df = pd.DataFrame(your_data)
df['cluster'] = kmeans.labels_
# 对比每个簇的均值和质心
for cluster in range(kmeans.n_clusters):
    print(f"簇{cluster}样本均值：", df[df['cluster']==cluster].mean())
    print(f"簇{cluster}质心：", kmeans.cluster_centers_[cluster])

如果数值一致，那就是绘图代码的问题，检查坐标轴、数据匹配是否正确。

内容的提问来源于stack exchange，提问作者titusAdam